Persamaan rata-rata bergerak-rata-rata

Persamaan rata-rata bergerak-rata-rata

Online-trading-school
Imc-options-trading
Rata-rata bergerak rata-rata-atau-tertimbang-bergerak rata-rata


Remington-870-opsi saham taktis T1-forex Pilihan insentif-digunakan-kebanyakan-oleh Online-trading-dengan-investasi rendah Pilihan-opsi dengan harga yang memenuhi syarat Ichimoku-trading-system-forum

Saya memiliki nilai kontinyu yang Id ingin menghitung rata-rata pergerakan eksponensial. Biasanya Id hanya menggunakan rumus standar untuk ini: di mana S n adalah rata-rata baru, alfa adalah alfa, Y adalah sampelnya, dan S n-1 adalah rata-rata sebelumnya. Sayangnya, karena berbagai masalah, saya tidak memiliki waktu sampel yang konsisten. Saya mungkin tahu bahwa saya dapat mencicipi paling banyak, katakanlah, sekali per milidetik, namun karena faktor-faktor yang terlepas dari kendali saya, saya mungkin tidak bisa mengambil sampel selama beberapa milidetik setiap kalinya. Kemungkinan kasus yang lebih umum, bagaimanapun, adalah bahwa saya sampel sederhana sedikit lebih awal atau terlambat: daripada sampling pada 0, 1 dan 2 ms. Saya sampel pada 0, 0,9 dan 2,1 ms. Saya mengantisipasi bahwa, terlepas dari penundaan, frekuensi sampling saya akan jauh, jauh di atas batas Nyquist, dan karena itu saya tidak perlu khawatir tentang aliasing. Saya rasa saya bisa mengatasi hal ini dengan cara yang lebih atau kurang masuk akal dengan memvariasikan alfa dengan tepat, berdasarkan lamanya waktu sejak sampel terakhir. Bagian dari penalaran saya bahwa ini akan berhasil adalah bahwa EMA melakukan interpolasi secara linear antara titik data sebelumnya dan yang sekarang. Jika kita mempertimbangkan untuk menghitung EMA dari daftar sampel berikut pada interval t: 0,1,2,3,4. Kita harus mendapatkan hasil yang sama jika kita menggunakan interval 2t, di mana input menjadi 0,2,4, benar Jika EMA menduga bahwa, pada t 2 nilainya adalah 2 karena t 0. Itu sama dengan penghitungan interval t hitung sebesar 0,2,2,4,4, yang tidak dilakukannya. Atau apakah itu masuk akal sama sekali Dapatkah seseorang memberi tahu saya bagaimana cara memvariasikan alfa dengan tepat Tolong tunjukkan pekerjaan Anda. Yaitu. Tunjukkan pada saya matematika yang membuktikan bahwa metode Anda benar-benar melakukan hal yang benar. Tanya 21 Jun 09 at 13:05 Anda seharusnya tidak mendapatkan EMA yang sama untuk masukan yang berbeda. Pikirkan EMA sebagai filter, sampling pada 2t sama dengan down sampling, dan filter akan menghasilkan output yang berbeda. Ini jelas bagi saya karena 0,2,4 mengandung komponen frekuensi lebih tinggi dari 0,1,2,3,4. Kecuali pertanyaannya adalah, bagaimana cara mengubah filter on the fly agar bisa menghasilkan output yang sama. Mungkin saya melewatkan sesuatu ndash freespace 21 Jun 09 at 15:52 Tapi masukannya tidak berbeda, itu hanya mencicipi lebih jarang. 0,2,4 pada interval 2t seperti 0, 2, 4 pada interval t, dimana yang menunjukkan bahwa sampel diabaikan ndash Curt Sampson 21 Jun 09 at 23:45 Jawaban ini berdasarkan pemahaman saya yang baik tentang low-pass. Filter (moving average eksponensial benar-benar hanya filter lowpass single-pole), tapi pemahaman saya yang kabur dari apa yang Anda cari. Saya pikir berikut ini adalah apa yang Anda inginkan: Pertama, Anda dapat menyederhanakan persamaan Anda sedikit (terlihat lebih rumit namun lebih mudah dalam kode). Saya akan menggunakan Y untuk output dan X untuk input (bukan S untuk output dan Y untuk input, seperti yang telah Anda lakukan). Kedua, nilai alfa di sini sama dengan 1-e -Deltattau dimana Deltat adalah waktu antara sampel, dan tau adalah konstanta waktu dari filter low-pass. Saya katakan sama dengan harga penawaran karena ini bekerja dengan baik saat Deltattau kecil dibandingkan dengan 1, dan alpha 1-e -Deltattau asymp Deltattau. (Tapi tidak terlalu kecil: Anda akan mengalami masalah kuantisasi, dan kecuali Anda menggunakan beberapa teknik eksotis, Anda biasanya memerlukan N resolusi ekstra N dalam variabel negara bagian Anda, di mana N -log 2 (alfa).) Untuk nilai Deltattau yang lebih besar Efek penyaringan mulai hilang, sampai Anda sampai pada titik di mana alpha mendekati 1 dan Anda pada dasarnya hanya menugaskan input ke output. Ini harus bekerja dengan baik dengan berbagai nilai Deltat (variasi Deltat tidak terlalu penting asalkan alpha kecil, jika tidak, Anda akan mengalami beberapa masalah Nyquist yang agak aneh alias dll), dan jika Anda mengerjakan prosesor di mana perkalian Lebih murah daripada pembagian, atau masalah fixed-point penting, precalculate omega 1tau, dan pertimbangkan untuk mencoba mendekati formula untuk alpha. Jika Anda benar-benar ingin tahu bagaimana menurunkan formula alfa 1-e -Deltattau, pertimbangkan sumber persamaan diferensialnya: yang, jika X adalah fungsi satuan langkah, mintalah solusi Y 1 - e -ttau. Untuk nilai-nilai kecil Deltat, turunannya dapat didekati oleh DeltaYDeltat, menghasilkan Y tau DeltaYDeltat X DeltaY (XY) (Deltattau) alpha (XY) dan ekstrapolasi alpha 1-e -Deltattau berasal dari mencoba menyesuaikan perilaku dengan Unit step function case Tolong jelaskan quelling untuk menyesuaikan bagian behaviorquot Saya memahami solusi kontinu waktu Y 1 - exp (-t47) dan generalisasi ke fungsi skala skala dengan magnitudo x dan kondisi awal y (0). Tapi saya tidak melihat bagaimana cara menggabungkan gagasan ini untuk mencapai hasil Anda. Ndash Rhys Ulerich 4 Mei 13 pukul 22:34 Ini bukan jawaban yang lengkap, tapi mungkin permulaan dari satu. Sejauh yang saya dapat dengan ini dalam satu jam atau lebih dari bermain Im mempostingnya sebagai contoh dari apa yang saya cari, dan mungkin sebuah inspirasi bagi orang lain yang mengerjakan masalah ini. Saya mulai dengan S 0. Yang merupakan rata-rata yang dihasilkan dari rata-rata sebelumnya S -1 dan sampel Y 0 diambil pada t 0. (T 1 - t 0) adalah interval sampel dan alfa saya diatur ke apa pun yang sesuai untuk interval sampel itu dan periode di mana saya ingin rata-rata. Saya mempertimbangkan apa yang terjadi jika saya melewatkan sampel di t 1 dan sebaliknya harus puas dengan sampel Y 2 yang diambil pada t 2. Kita bisa mulai dengan memperluas persamaan untuk melihat apa yang akan terjadi jika kita memilikinya Y 1: Saya perhatikan bahwa rangkaian ini tampaknya terus berlanjut dengan jauh seperti ini, karena kita dapat mengganti S n di sisi kanan tanpa batas waktu: Ok , Jadi tidak benar-benar sebuah polinomial (konyol saya), tapi jika kita mengalikan istilah awal dengan satu, kita kemudian melihat sebuah pola: Hm: seri eksponensialnya. Quelle surprise Bayangkan bahwa keluar dari persamaan untuk moving average eksponensial Jadi, saya punya x 0 x 1 x 2 x 3 ini. Hal yang akan terjadi, dan Im yakin aku mencium e atau logaritma alami yang menendang-nendang di sekitar sini, tapi aku tidak ingat ke mana aku menuju sebelum aku kehabisan waktu. Jawaban atas pertanyaan ini, atau bukti kebenaran jawaban semacam itu, sangat tergantung pada data yang Anda ukur. Jika sampel Anda diambil pada t 0 0ms. T1 0.9ms dan t 2 2.1ms. Tapi pilihan alpha Anda didasarkan pada interval 1 ms, dan karena itu Anda menginginkan alpha n yang disesuaikan secara lokal. Bukti kebenaran pilihan berarti mengetahui nilai sampel pada t1ms dan t2ms. Hal ini mengarah pada pertanyaan: Dapatkah Anda menginterpolasi data Anda secara resonably untuk memiliki dugaan waras dari nilai di antara mana mungkin atau bahkan Anda dapat menginterpolasikan rata-rata itu sendiri. Jika keduanya tidak memungkinkan, maka sejauh yang saya lihat, logika Pilihan nilai di-antara Y (t) adalah rata-rata yang terakhir dihitung. Yaitu Y (t) asymp S n dimana n adalah maxmial sehingga t n ltt. Pilihan ini memiliki konsekuensi sederhana: Tinggalkan alfa saja, tidak peduli perbedaan waktu. Jika, di sisi lain, adalah mungkin untuk menginterpolasi nilai Anda, maka ini akan memberi Anda sampel interval konstan rata-rata. Terakhir, jika memungkinkan untuk menginterpolasi rata-rata itu sendiri, itu akan membuat pertanyaan itu tidak berarti. Menjawab 21 Jun 09 at 15:08 balpha 9830 27k 9679 10 9679 87 9679 117 Saya akan berpikir bahwa saya dapat menginterpolasi data saya: mengingat bahwa saya akan mengambil sampel dengan interval diskrit, saya sudah melakukannya dengan standar EMA. Pokoknya, asumsikan bahwa saya memerlukan sebuah Quotproofquot yang menunjukkan bahwa ia bekerja sebaik standar EMA, yang juga akan menghasilkan hasil yang salah jika nilainya tidak berubah dengan cukup lancar antara periode sampel. Ndash Curt Sampson 21 Jun 09 di 15:21 Tapi itu yang saya katakan: Jika Anda menganggap EMA sebagai interpolasi nilai-nilai Anda, Anda akan melakukannya jika Anda meninggalkan alpha seperti adanya (karena memasukkan rata-rata terbaru seperti Y tidak mengubah rata-rata) . Jika Anda mengatakan bahwa Anda memerlukan sesuatu yang dikomentarkan dan juga standar EMAquot - yang salah dengan yang asli Kecuali Anda memiliki lebih banyak informasi tentang data yang Anda ukur, penyesuaian lokal terhadap alfa paling baik sewenang-wenang. Ndash balpha 9830 21 Jun 09 at 15:31 Saya akan meninggalkan nilai alpha sendirian, dan mengisi data yang hilang. Karena Anda tidak tahu apa yang terjadi selama Anda tidak dapat sampel, Anda dapat mengisi sampel dengan 0s, atau menahan nilai sebelumnya stabil dan menggunakan nilai tersebut untuk EMA. Atau beberapa interpolasi mundur setelah Anda memiliki sampel baru, isilah nilai yang hilang, dan hitung ulang EMA. Apa yang saya coba untuk mendapatkan di adalah Anda memiliki input xn yang memiliki lubang. Tidak ada cara untuk menyiasati fakta bahwa Anda kehilangan data. Jadi Anda bisa menggunakan perintah zero hold, atau atur ke nol, atau semacam interpolasi antara xn dan xnM. Dimana M adalah jumlah sampel yang hilang dan n awal jeda. Mungkin bahkan menggunakan nilai sebelum n. Menjawab 21 Jun 09 at 13:35 Dari menghabiskan satu jam atau lebih mucking tentang sedikit dengan matematika untuk ini, saya pikir itu hanya bervariasi alpha benar-benar akan memberi saya interpolasi yang tepat antara dua poin yang Anda bicarakan, tapi dalam sebuah Jauh lebih sederhana. Selanjutnya, saya berpikir bahwa variasi alfa juga akan menangani sampel yang diambil antara interval sampling standar. Dengan kata lain, saya mencari apa yang Anda jelaskan, tapi mencoba menggunakan matematika untuk mengetahui cara mudah untuk melakukannya. Ndash Curt Sampson 21 Jun 09 at 14:07 Saya tidak berpikir ada binatang seperti interpolasiquot quotproper. Anda tidak tahu apa yang terjadi pada saat Anda tidak melakukan sampling. Interpolasi yang baik dan buruk menyiratkan beberapa pengetahuan tentang apa yang Anda lewatkan, karena Anda perlu mengukurnya untuk menilai apakah interpolasi itu baik atau buruk. Meskipun demikian, Anda dapat menempatkan kendala, yaitu dengan percepatan, kecepatan, dan kecepatan maksimum yang saya kira jika Anda tahu bagaimana memodelkan data yang hilang, maka Anda hanya akan memodelkan data yang hilang, kemudian menerapkan algoritma EMA tanpa perubahan, bukan Daripada mengubah alpha Just my 2c :) ndash freespace 21 Jun 09 at 14:17 Ini adalah apa yang saya dapatkan saat saya mengedit pertanyaan 15 menit yang lalu: Anda tidak tahu apa yang terjadi pada saat Anda tidak melakukan sampling, tapi itu benar Bahkan jika Anda sampel pada setiap interval yang ditentukan. Jadi kontemplasi Nyquist saya: selama Anda tahu bentuk gelombang tidak mengubah arah lebih dari setiap beberapa sampel, interval sampel sebenarnya seharusnya tidak masalah, dan seharusnya bisa bervariasi. Persamaan EMA tampaknya tepat untuk dihitung seolah-olah bentuk gelombang berubah secara linear dari nilai sampel terakhir ke yang sekarang. Ndash Curt Sampson 21 Jun 09 at 14:26 Saya rasa itu benar. Teorema Nyquist memerlukan minimal 2 sampel per periode untuk dapat mengidentifikasi sinyal secara unik. Jika Anda tidak melakukannya, Anda bisa aliasing. Ini akan sama dengan sampling sebagai fs1 untuk sementara waktu, lalu fs2, lalu kembali ke fs1, dan Anda mendapatkan aliasing pada data saat Anda sampel dengan fs2 jika fs2 berada di bawah batas Nyquist. Saya juga harus mengakui bahwa saya tidak mengerti apa yang Anda maksud dengan perubahan quotwaveform secara linear dari sampel terakhir menjadi onequot saat ini. Bisa tolong jelaskan Cheers, Steve. Ndash freespace 21 Jun 09 at 14:36 ​​Ini mirip dengan masalah terbuka pada daftar todo saya. Aku punya satu skema bekerja sampai batas tertentu tetapi tidak memiliki matematika bekerja untuk mendukung saran ini belum. Update amp summary: Ingin menjaga faktor pemulusan (alpha) terlepas dari faktor kompensasi (yang saya sebut sebagai beta disini). Jawaban bagus yang sudah diterima di sini bagus untuk saya. Jika Anda juga dapat mengukur waktu sejak sampel terakhir diambil (dalam kelipatan bulat dari waktu sampling konstan Anda - jadi 7,8 ms sejak sampel terakhir adalah 8 unit), yang dapat digunakan untuk menerapkan smoothing beberapa kali. Terapkan rumus 8 kali dalam kasus ini. Anda telah secara efektif membuat smoothing lebih condong ke nilai saat ini. Untuk mendapatkan smoothing yang lebih baik, kita perlu men-tweak alpha sambil menerapkan rumus 8 kali pada kasus sebelumnya. Apa yang akan perkiraan smoothing ini hilang Ini telah melewatkan 7 sampel pada contoh di atas Ini diperkirakan pada langkah 1 dengan penerapan ulang rata-rata nilai sekarang 7 kali tambahan Jika kita mendefinisikan faktor perkiraan beta yang akan diterapkan bersamaan dengan alpha (Sebagai alfabet bukan hanya alfa), kita akan mengasumsikan bahwa 7 sampel yang tidak terjawab berubah dengan lancar antara nilai sampel sebelumnya dan saat ini. Menjawab 21 Jun 09 jam 13:35 Saya memang memikirkan hal ini, tapi sedikit mucking tentang matematika membuat saya sampai pada titik di mana saya percaya bahwa, daripada menerapkan rumus delapan kali dengan nilai sampel, saya dapat melakukan perhitungan Dari alpha baru yang akan memungkinkan saya untuk menerapkan formula sekali, dan memberi saya hasil yang sama. Selanjutnya, ini secara otomatis akan menangani masalah sampel yang diimbangi dari waktu sampel yang tepat. Ndash Curt Sampson 21 Jun 09 at 13:47 Aplikasi tunggal baik-baik saja. Yang tidak saya ketahui tentang seberapa baik perkiraan dari 7 nilai yang hilang. Jika gerakan terus menerus membuat nilai jitter banyak melintasi 8 milidetik, perkiraannya mungkin cukup jauh dari kenyataan. Tapi, jika Anda sampling pada 1ms (resolusi tertinggi tidak termasuk sampel yang tertunda), Anda sudah menduga jitter dalam 1ms tidak relevan. Apakah penalaran ini bekerja untuk Anda (saya masih berusaha meyakinkan diri sendiri). Ndash nik 21 Jun 09 jam 14:08 Benar. Itulah faktor beta dari uraian saya. Faktor beta akan dihitung berdasarkan interval perbedaan dan sampel saat ini dan sebelumnya. Alfa baru akan (alphabeta) tapi hanya akan digunakan untuk sampel itu. Meskipun Anda tampaknya menyukai formula alfa, saya cenderung menuju faktor alpha (penghalusan) yang konstan dan beta yang dihitung secara independen (faktor penyetelan) yang mengkompensasi sampel yang tidak terjawab saat ini. Ndash nik 21 Jun pukul 15: 23 Movers Moving Average Sejumlah indikator populer, termasuk Relative Strength Index (RSI), Average True Range (ATR) dan Directional Movement dikembangkan oleh J. Welles Wilder dan diperkenalkan dalam bukunya tahun 1978: New Concepts Dalam Sistem Perdagangan Teknis. Pengguna harus berhati-hati agar Wilder tidak menggunakan standar rata-rata eksponensial moving average. Ini dapat memiliki imapct yang signifikan saat memilih jangka waktu yang sesuai untuk indikatornya. Formula rata-rata bergerak eksponensial standar mengubah jangka waktu menjadi fraksi dengan menggunakan rumus EMA 2 (n 1) di mana n adalah jumlah hari. Misalnya, EMA selama 14 hari adalah 2 (14 hari 1) 13.3. Wilder, bagaimanapun, menggunakan EMA 114 yang sama dengan 7.1. Ini sama dengan rata-rata pergerakan eksponensial 27 hari dengan menggunakan rumus standar. Indikator yang terpengaruh adalah: Sebaiknya pengguna mencoba periode waktu yang lebih singkat saat menggunakan salah satu indikator di atas. Misalnya, jika Anda melacak siklus 30 hari, Anda biasanya akan memilih Periode Waktu Indikator 15 hari. Dengan RSI, sesuaikan jangka waktu sebagai berikut: Periode waktu RSI (n 1) 2 (15 1) 2 8 hariMenggunakan rata-rata persamaan diferensial biasa melalui konvolusi Kami memperkenalkan kerangka rata-rata, di mana solusi dari persamaan waktu bervariasi Amplitudo kecil didekati dengan solusi sistem pelengkap yang perlahan bervariasi, yang dihasilkan dengan menggabungkan persamaan asli dengan fungsi kernel. Efek dari konvolusi adalah penghalusan persamaan, sehingga membuatnya lebih sesuai dengan perhitungan numerik. Kami menyajikan hasil yang ketat pada kesalahan aproksimasi untuk kelas umum bidang vektor dan kernel. Apakah Anda ingin membaca sisa artikel ini?
List-of-high-impact-forex-news
Vkc-forex-mumbai-andheri